人工智能突破提高自闭症检测的准确性——英迪国际大学

一种新的人工智能(AI)模型正在重塑自闭症谱系障碍(ASD)的筛查方式，提供更快、更准确、更可扩展的跨年龄组检测。

该模型是通过包括英迪国际大学在内的国际研究合作开发的，在识别儿童、青少年和成人ASD方面的准确率高达99.06%，优于许多现有的诊断系统。

Ts.Siti Sarah Maidin教授和博士的研究强调了如何通过非侵入性人工智能方法实现自闭症谱系障碍的检测和分类。

该研究的核心是基于混沌二元蝴蝶优化算法的特征选择和数据分类模型，即CBBOAFS-DC。该模型分析行为和发育数据，以确定与自闭症最相关的特征，支持医疗保健专业人员进行早期评估。

对于许多家庭来说，由于等待时间长、专家有限或农村和服务不足地区缺乏服务，自闭症诊断往往被推迟。这些延迟可能意味着儿童错过了早期干预支持，而早期干预支持已被证明可以显著改善沟通、行为和学习成果。传统的筛查工具也面临着一致性挑战，特别是在跨不同年龄组或人群应用时。

英迪国际大学数据科学与信息技术学院的Ts.Sati Sarah Maidin教授说：“这不是传统方法的替代品。”。“这是一种支持医疗服务提供者的工具，特别是在早期筛查中。自闭症越早被发现，儿童就越早可以接受必要的干预。”

她补充道：“我们正在帮助弥合有限的诊断资源与日益增长的早期自闭症检测需求之间的差距。”。“我们的想法是支持而不是替代临床专业知识，尤其是在贫困社区。”

CBBOAFS-DC使用人工智能快速一致地处理来自筛查工具的数据，减少对时间密集型手动评估的依赖。其混合架构使其有别于传统方法。

传统模型通常依赖于决策树或逻辑回归等算法，CBBOAFS-DC使用三步设计：

•它使用蝴蝶启发的优化技术只选择最相关的特征

•应用深度学习引擎来检测微妙的行为模式

•然后使用细菌菌落优化算法微调其内部参数

这种分层方法使该模型能够处理不同年龄组ASD特征的复杂性，并适应各种筛查环境，使研究人员更接近一种更通用的筛查解决方案。

CBBOAFS-DC模型在不同年龄组的数据集上进行了测试，准确率高达99.06%，超过了许多现有的诊断模型。

这项研究是与印度Sri Manakula Vinayagar工程学院和Vellore理工学院以及沙特阿拉伯的机构合作进行的。INTI的参与突显了该大学在具有现实医疗保健和社会影响的应用人工智能研究中日益重要的作用。